中国 AI 研究公司 DeepSeek 于 2025 年 10 月 21 日发布开源模型 DeepSeek-OCR，该模型以 “视觉表征压缩文本” 的创新思路，打破传统大语言模型（LLM）依赖文本 token 处理信息的固有模式，实现最高 10 倍的文本压缩效率，且在压缩比小于 10 倍时保持 97% 的解码（OCR）精度，为解决 LLM 长上下文处理难题提供全新路径。此次发布同步开放完整源代码、模型权重及推理脚本，在 GitHub 与 Hugging Face 平台上线后 24 小时内，GitHub 仓库星标数突破 4000，引发全球 AI 研究社区广泛关注，OpenAI 联合创始人、前特斯拉 AI 总监 Andrej Karpathy 等行业权威均对其技术突破给予高度评价。
DeepSeek-OCR 的核心突破在于 “范式倒置”—— 传统认知中，文本 token 因简洁性被视为 LLM 处理信息的高效介质，视觉 token 则被当作附加模块，10000 个英文单词转化为像素后在多模态模型中占用空间远大于文本 token；而该模型证明，视觉表征可成为文本信息的更优压缩载体，通过光学 2D 映射将大量文本转化为少量视觉 token，实现效率反转。其架构由两大核心组件构成：一是 DeepEncoder，一款 3.8 亿参数的新型视觉编码器，融合 Meta 的 Segment Anything Model（SAM）与 OpenAI 的 CLIP 模型优势 ——SAM 擅长局部视觉感知，CLIP 负责全局视觉理解，两者通过 16 倍压缩模块衔接，可在处理高分辨率输入时保持低激活参数，兼顾压缩效率与信息完整性；二是 30 亿参数的混合专家（MoE）语言解码器，实际激活参数仅 5.7 亿，在保证模型表达能力的同时，大幅降低推理算力消耗。
在性能验证中，DeepSeek-OCR 展现出卓越的压缩效率与准确性。在 Fox 基准测试（包含多种文档布局的数据集）中，模型仅用 100 个视觉 token，就能对含 700-800 个文本 token 的文档实现 97.3% 的识别精度，等效压缩比达 7.5 倍；即便压缩比提升至 20 倍，精度仍维持在 60% 左右。在 OmniDocBench 文档解析基准测试中，其表现同样亮眼：相较于需 256 个 token / 页的 GOT-OCR2.0 与平均需 6000 个 token / 页的 MinerU2.0，DeepSeek-OCR 分别仅用 100 个与不足 800 个视觉 token，就实现性能超越。此外，模型支持五种分辨率模式以适配不同场景：“Tiny” 模式以 512×512 分辨率运行，仅需 64 个视觉 token，适合轻量任务；“Gundam” 模式则通过 n×640×640 局部视图与 1024×1024 全局视图的动态结合，高效处理复杂文档。
这一技术突破的实际应用价值显著，尤其在大规模数据处理与 LLM 上下文扩展领域。从算力效率来看，单张 Nvidia A100-40G GPU 每日可处理超 20 万页文档，若扩展至 20 台服务器（每台 8 张 GPU）的集群，日吞吐量可达 3300 万页，能快速构建 LLM 与视觉 – 语言模型（VLM）的训练数据集，大幅降低数据预处理成本。从上下文扩展潜力来看，当前顶尖 LLM 的上下文窗口多在数十万 token 量级，而 DeepSeek-OCR 的压缩方案为突破这一限制提供可能 —— 通过将文本转化为视觉 token，理论上可将 LLM 上下文窗口扩展至数千万 token，例如将企业全部核心内部文档压缩后纳入提示前缀，无需依赖搜索工具即可实现快速、低成本的精准查询，AI 研究员 Jeffrey Emanuel 将其形容为 “为 LLM 装上大容量‘记忆硬盘’”。
更具前瞻性的是，该模型为模拟人类认知的 “记忆衰减机制” 提供技术基础。研究团队在论文中提出设想：将较早的对话轮次逐步下采样至更低分辨率，以更少视觉 token 保留关键信息，如同人类记忆随时间自然淡化的过程，既减少长期上下文的 token 消耗，又符合生物认知规律。同时，视觉处理方式还解决了传统文本 tokenizer（分词器）的固有缺陷 —— 传统 tokenizer 需处理 Unicode、字节编码等复杂问题，存在安全漏洞（如续字节引发的越狱风险），且可能将视觉上相同的字符解析为不同 token；而 DeepSeek-OCR 通过直接处理文本图像，天然支持字体、颜色、布局等格式信息的保留，还能实现双向注意力机制，避免自回归注意力的局限，Karpathy 直言：“或许所有 LLM 的输入都应是图像，即使是纯文本，也该先渲染成图片再输入。”
模型的强大性能源于大规模、多样化的训练数据与高效训练策略。DeepSeek 收集了覆盖 100 种语言的 3000 万页 PDF 文档（其中中英文占 2500 万页），涵盖学术论文、财务报告、教科书、手写笔记等 9 类文档类型；同时引入 “OCR 2.0” 数据，包括 1000 万张合成图表、500 万个化学公式、100 万个几何图形，辅以 20% 的通用视觉数据（如图像 caption、目标检测）与 10% 的纯文本数据，确保模型兼顾文本识别与语言理解能力。训练过程采用流水线并行技术，在 160 张 Nvidia A100-40G GPU（20 个节点）上进行，视觉编码器与语言模型各分为两个流水线阶段，多模态数据的训练速度达每日 700 亿 token，兼顾效率与效果。
不过，该技术仍存在待探索的关键问题，核心集中在 “压缩后视觉 token 的推理能力” 上。目前论文主要验证了压缩 – 解压缩的准确性（以 OCR 精度衡量），尚未深入评估 LLM 基于这些视觉 token 进行复杂推理的能力 —— 例如能否像处理纯文本 token 那样，完成逻辑分析、数学计算等高级任务，AI 研究员们担忧 “视觉模态可能限制模型的表达与推理灵活性”。对此，DeepSeek 团队表示将在后续研究中开展 “数字 – 光学文本交错预训练”“大海捞针测试” 等实验，进一步验证视觉压缩对 LLM 下游认知功能的影响。
从行业竞争视角看，DeepSeek-OCR 的开源发布也引发对头部企业技术路线的猜测。Emanuel 推测，谷歌 Gemini 系列模型之所以具备大上下文窗口与出色 OCR 性能，可能采用类似视觉压缩技术，而 DeepSeek 的开源则让这一潜在方案成为行业共享资源，打破技术壁垒。值得注意的是，这并非 DeepSeek 首次以低成本实现高竞争力成果 —— 此前其 DeepSeek-V3 模型宣称训练成本仅 560 万美元（不含研发与基础设施成本），远低于 OpenAI、Anthropic 等企业同类模型数亿美元的投入，此次开源延续了其 “以算法创新降低 AI 门槛” 的策略，为中小团队与研究机构提供突破算力限制的技术工具。
总体而言，DeepSeek-OCR 的发布不仅是一款高效 OCR 工具的落地，更代表 AI 信息处理范式的重要探索 —— 它挑战了 “文本 token 是 LLM 最优输入” 的传统认知，证明视觉模态在压缩效率、格式兼容性、安全稳定性上的独特优势。随着后续研究的推进，这一技术可能重塑 LLM 的架构设计与应用场景，推动 AI 向 “更接近人类视觉认知” 的方向发展，为长文档处理、大规模知识管理、类人认知 AI 等领域打开全新空间。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/deepseek-kai-yuan-wen-ben-tu-xiang-ya-suo-mo-xing-yi-10-bei
